申请/专利权人：南京航空航天大学

申请日：2021-07-29

公开（公告）日：2024-06-28

公开（公告）号：CN113625870B

主分类号：G06F3/01

分类号：G06F3/01;G06F18/2411;G06F18/24

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2021.11.26#实质审查的生效;2021.11.09#公开

摘要：本发明公开一种基于语言想象的脑‑机接口控制系统和方法，所述系统包括：脑电采集设备、语言想象实验模块、脑电信号特征提取与分类模块以及在线控制模块。所述脑电采集设备在被试者进行语言想象时采集EEG脑电信号，所述语言想象实验模块提供不同词语的视觉听觉提示，引导被试者进行语言想象，所述特征提取与分类模块运用EMD方法进行信号重构，运用DWT方法进行特征的提取，采用SVM方法进行特征分类，所述在线控制系统通过TCPIP协议与外部设备进行通讯。本发明通过语言想象进行脑电特征的分类，相比于视觉或听觉刺激能够使被试者更加方便，相比于运动想象能够实现更多分类，提高脑‑机接口的性能，实现对使用者语言想象的高精度稳定的多分类。

主权项：1.一种基于语言想象的脑-机接口控制系统的控制方法，其特征在于：所述基于语言想象的脑-机接口控制系统包括脑电采集设备、语言想象实验模块、脑电信号特征提取与分类模块、语言想象脑-机接口在线控制模块；所述脑电采集设备从被试者大脑采集语言想象EEG脑电信号；所述语言想象实验模块提供不同词语的视觉提示和或听觉提示用以引导被试者进行语言想象，同时进行脑电信号的存储；所述脑电信号特征提取与分类模块对采集存储的脑电信号进行处理，根据脑电信号提取的特征对不同的想象语言进行分类；所述语言想象脑-机接口在线控制模块通过相关通信协议与外部设备进行通讯，根据脑电信号分类结果实时进行控制；控制方法包括以下步骤：步骤一：对采集到的脑电信号进行巴特沃斯零相带通滤波；步骤二：使用共空间模式提取特征，运用支持向量机进行想象语言与非想象语言的区分；所述使用共空间模式算法具体过程如下：将单次任务实验的脑电数据表示为一个N×T维的矩阵X，其中，T是脑电测量时的通道数，N是脑电采集时每个通道的采样点数，XI和XN表示预处理过的EEG矩阵，下标I和N分别想象语言和非想象语言，归一化的想象与非想象的脑电数据协方差矩阵分别表示为： 两类合成的空间协方差矩阵表示为：C＝CI+CN对C进行特征值分解： 式中：UC是特征向量矩阵，λC是对角线元为相应特征值的对角矩阵，是特征向量矩阵的转置矩阵，UC被白化矩阵P白化：I＝PCPT式中：I为单位矩阵，其中： 对CI和CN进行白化处理： 式中代表白化处理后的想象和非想象的脑电数据协方差矩阵，利用具有相同特征向量的特点，经特征值分解后得： 式中λ1，λ2为特征对角矩阵，B为的特征向量矩阵，且λ1+λ2＝I，I为单位矩阵；设BI，BN∈RN×1分别为特征值对角阵λ1，λ2中最大特征值对应的特征向量，因此求得空间滤波器矩阵为： 此处W即空间滤波器，对原始信号矩阵X经过滤波器滤波得到新的数据集Z：ZI＝WI·X，ZN＝WN·X定义特征向量为：其中，var·表示信号的方差；采用网格化交叉验证方法进行和最优参数的选择，将训练集作为原始的数据集，在一定范围内改变核函数g和惩罚因子C的值，运用交叉验证方法进行分类，选择分类准确率最高的g和C作为最佳参数，运用训练好的支持向量机进行特征分类；步骤三：使用经验模态分解对脑电信号进行分解，提取前三阶本征模函数分量进行信号重构，对重构后的信号进行离散小波变换，采用4个分解水平，计算每个通道的标准差和均方根，生成特征向量，特征总数为112，包括14通道x4个分解水平x2个特征；使用经验模态分解对脑电信号进行分解，具体步骤如下：1判断每个脑电信号xt的局部极值，用三次样条曲线进行曲线拟合，局部极大值形成上包络emaxt，局部极小值形成下包络emint，其中t为时间，2求得所述emaxt和emint的均值： 3计算输入的脑电信号xt和均值mt的差值：ct＝xt-mt如果ct不能满足IMF的定义截至条件，重复上述过程1-3，否则，提取ct作为固有模态函数,剩余量rt计算如下：rt＝xt-ct剩余量作为一个新的数据经过相同的筛选过程以获得下一个更低频率的固有模态函数，直到剩余量rt为一个单调函数或者仅有一个极致时，分解过程停止；设原始脑电信号xt被分解为n个固有模态函数和一个剩余量函数rt,选取频率在0.5至43Hz之间的固有模态函数，组成所有子带信号的重构信号： 式中cit为第i个固有模态函数，rnt为剩余量函数，由于信号的频谱能量主要集中在前三个IMF分量之中，故提取前三阶本征模函数IMF分量重构信号；对EMD分解后的信号进行离散小波变换，采用包括3个细节系数和1个近似系数的4个分解水平，计算每个通道DWT分解信号的标准差和均方根，特征总数为112，生成特征向量；其中，对重构后的信号xt的离散小波变换定义为： 其中a代表尺度位移，τ代表时间位移，Ψt为小波基函数；步骤四：对所获得的特征向量利用支持向量机进行分类训练，将步骤三中生成的特征向量输入训练完毕的支持向量机进行特征分类，获得特征分类结果；步骤五：将训练完成的脑电信号特征提取与分类模块应用至在线控制模块，进行实时脑电信号分类，通过TCPIP协议与外部设备通讯，实现语言想象BCI在线控制。

全文数据：

权利要求：

百度查询： 南京航空航天大学 基于语言想象的脑-机接口控制系统和方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD